搜索：复杂任务生成

「复杂任务生成」共找到 4313 篇相关文章

麦肯锡调研了 50 个一线 AI 智能体的项目总结出来的六条经验

麦肯锡调研50个AI智能体真实项目，提炼出开发智能体的6个关键因素，如关注整体流程、明确适用任务、避免制造“AI垃圾”等，助企业从智能体中捕获价值。

面对科研难题，AI科研加速营招募启动。由上海人工智能实验室等主办，公益开放。以真实科研任务为主线，用“书生·端砚”实践，课程覆盖多领域，学员可获多种权益。

文章探讨 Harness Engineering 实践中，Fitness Function 如何成为 AI 交付防腐层。指出在 AI Agent 参与开发时，判断任务完成是难题，介绍 Routa 项目构建 Fitness 架构及规则执行等实践。

Anthropic发文章阐述上下文工程，指出构建语言模型重点正从提示工程转向上下文工程，探讨了其与提示工程区别、重要性，给出实践指导原则、新趋势及应对长时程任务策略。

中国科学院自动化研究所联合美团提出单阶段监督 - 强化微调方法 SRFT，结合监督微调与强化微调，解决传统两阶段方法的不足，在多任务中提升推理和泛化能力。

微软推出新一代多智能体 Web 操作系统 Magentic - UI，它能自动浏览网页、处理数据等，具备多智能体协同能力。其界面透明可控，功能丰富，安装使用友好，适用于多种复杂场景。

本文探讨Sora输给Codex的原因。奥特曼称因Sora太吃compute，Codex优先级更高。Sora算力连续独占，成本难摊薄；Codex算力碎片可复用，能交错服务多任务，资源回报曲线更好。

腾讯开源WeKnora，这是面向复杂异构文档的LLM框架，走完整RAG流程。它有Agent模式，支持多种知识库类型和格式，有Web UI。适合公司、研究者、开发者等，还给出了上手步骤和部署提醒。

本文基于年中报告指出，当前模型API支出翻倍，企业重心转向模型推理。Anthropic市场份额超OpenAI，开源模型企业采用率下降。代码生成成热门场景，企业换模型重性能，AI支出从训练转推理。

上海交通大学EPIC Lab团队提出免训练推理缓存机制dLLM - Cache，复用特征降低计算量。它即插即用，通用于主流dLLM架构，在多个基准测试中实现数倍推理加速，且不降低生成质量。